JP6283851B2 - Information processing apparatus and parameter calculation method - Google Patents
Information processing apparatus and parameter calculation method Download PDFInfo
- Publication number
- JP6283851B2 JP6283851B2 JP2014135503A JP2014135503A JP6283851B2 JP 6283851 B2 JP6283851 B2 JP 6283851B2 JP 2014135503 A JP2014135503 A JP 2014135503A JP 2014135503 A JP2014135503 A JP 2014135503A JP 6283851 B2 JP6283851 B2 JP 6283851B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- unit
- regression model
- optimization
- initial value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004364 calculation method Methods 0.000 title claims description 79
- 230000010365 information processing Effects 0.000 title claims description 20
- 230000003287 optical effect Effects 0.000 claims description 182
- 238000005457 optimization Methods 0.000 claims description 178
- 238000000605 extraction Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 115
- 238000005259 measurement Methods 0.000 description 82
- 239000002245 particle Substances 0.000 description 45
- 238000012545 processing Methods 0.000 description 35
- 230000008033 biological extinction Effects 0.000 description 33
- 238000000034 method Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Description
本発明は、情報処理装置およびパラメータ算出方法に関するものである。 The present invention relates to an information processing apparatus and a parameter calculation method.
特許文献1には、問題の解候補を遺伝子の配列である個体で表現し、遺伝アルゴリズムに従って、それらの個体群に対して遺伝オペレーションを施し世代を更新していくことで問題の最適解を探索する探索手段と、上記探索手段による遺伝アルゴリズムの実行中に、上記個体群の多様性を示す値を算出する算出手段と、上記算出手段の算出する値に従って、遺伝アルゴリズムのパラメータの調整を行う必要があるのか否かを判断する判断手段と、上記判断手段の判断結果に応じて遺伝アルゴリズムのパラメータを動的に調整する調整手段とを備えることを、特徴とする最適解探索装置が開示されている。
In
しかし、特許文献1では、遺伝アルゴリズムの個体群の多様性を示す値を算出し、その値が多様性の大きいことを示すときに、多様性が小さくなるようにと遺伝アルゴリズムのパラメータを調整し、多様性を示す値が小さいことを示すときに、多様性が大きくなるようにと遺伝アルゴリズムのパラメータを調整する。そのため、特許文献1では、装置の最適化処理開始後、装置が最適化されるまでの処理時間を短縮できないという問題がある。
However, in
そこで本発明は、装置の最適化処理開始後、装置が最適化されるまでの処理時間を短縮することができる技術を提供することを目的とする。 Therefore, an object of the present invention is to provide a technique capable of shortening a processing time until the device is optimized after the device optimization process is started.
本願は、上記課題の少なくとも一部を解決する手段を複数含んでいるが、その例を挙げるならば、以下の通りである。上記課題を解決すべく、本発明に係る情報処理装置は、パラメータをランダムに生成するランダムパラメータ生成部と、前記ランダムパラメータ生成部によって生成された前記パラメータに基づいて動作する装置の動作が、目標値に対し所定の範囲内にあるときの前記パラメータを抽出するパラメータ抽出部と、前記パラメータ抽出部によって抽出された前記パラメータに基づいて、前記パラメータを説明変数とした前記装置の動作の回帰モデルを生成する回帰モデル生成部と、前記回帰モデル生成部によって生成された前記回帰モデルを用いて、前記装置の初期値パラメータを算出する初期値算出部と、を有する。 The present application includes a plurality of means for solving at least a part of the above-described problems. Examples of the means are as follows. In order to solve the above problems, an information processing apparatus according to the present invention includes a random parameter generation unit that randomly generates parameters, and an operation of the apparatus that operates based on the parameters generated by the random parameter generation unit. A parameter extraction unit that extracts the parameter when the value is within a predetermined range; and a regression model of the operation of the device using the parameter as an explanatory variable based on the parameter extracted by the parameter extraction unit. A regression model generation unit to generate, and an initial value calculation unit to calculate an initial value parameter of the apparatus using the regression model generated by the regression model generation unit.
本発明では、装置の最適化処理開始後、装置が最適化されるまでの処理時間を短縮することができる。 According to the present invention, it is possible to shorten the processing time until the device is optimized after the device optimization process is started.
上記した以外の課題、構成、および効果は、以下の実施形態の説明により明らかにされる。 Problems, configurations, and effects other than those described above will be clarified by the following description of embodiments.
以下、本発明の情報処理装置を最適化支援装置に適用した場合について説明する。 Hereinafter, the case where the information processing apparatus of the present invention is applied to an optimization support apparatus will be described.
[第1の実施の形態]
図1は、第1の実施の形態に係る最適化支援装置を適用した光送信モジュールの構成例を示した図である。図1に示す光送信モジュール1は、電気信号である入力信号を光信号に変換し、例えば、光ファイバで接続された、測定装置2に光信号を送信し光送信モジュールの信号波形を観測する。図1に示すように、光送信モジュール1は、最適化支援装置3と、ドライバ回路4と、レーザダイオード5とを有している。
[First Embodiment]
FIG. 1 is a diagram illustrating a configuration example of an optical transmission module to which the optimization support apparatus according to the first embodiment is applied. The
測定装置2には、レーザダイオード5から出力される光信号の一部が入力される。測定装置2は、入力された光信号を測定し、測定した光信号の測定データを最適化支援装置3へ出力する。測定装置2が測定する測定データは、レーザダイオード5から出力される光信号の特性であり、例えば、光信号の光送信パワー、ジッタ、消光比、または振幅などである。
A part of the optical signal output from the
最適化支援装置3は、測定装置2で測定された光信号の測定データに基づいて、レーザダイオード5から所望の光信号が出力されるための制御データを、ドライバ回路4に出力する。例えば、最適化支援装置3は、レーザダイオード5から、所望の光送信パワー、ジッタ、消光比、および振幅を有する光信号が出力されるための制御データを、ドライバ回路4に出力する。
The
最適化支援装置3は、以下で詳述するが、上記のレーザダイオード5から所望の光信号を出力するための処理(光送信モジュール1の最適化処理)を開始するとき、光送信モジュール1の最適化処理開始後、光送信モジュール1が最適化されるまでの処理時間を短縮するための初期値パラメータを算出する。
As will be described in detail below, the
最適化支援装置3は、例えば、光送信モジュール1の電源が投入されたときに最適化処理を行う。または、最適化支援装置3は、光送信モジュール1が動作しているときに、周期的に最適化処理を行う。または、最適化支援装置3は、光送信モジュール1が動作しているときに、ユーザによって光送信モジュール1の通信速度が切り替えられると最適化処理を行う。
For example, the
なお、所望の光信号として、送信パワー、ジッタ、消光比、および振幅の4つの特性しか示していないが、これに限られない。例えば、所望の光信号には、光信号の周波数や波形などの特性が含まれてもよい。 In addition, although only four characteristics of transmission power, jitter, extinction ratio, and amplitude are shown as a desired optical signal, it is not restricted to this. For example, the desired optical signal may include characteristics such as the frequency and waveform of the optical signal.
ドライバ回路4は、最適化支援装置3から出力される制御データに応じて、電気信号である入力信号を増幅し、レーザダイオード5に出力する。例えば、ドライバ回路4は、最適化支援装置3から出力される制御データに応じて、レーザダイオード5から、所望の光信号が出力されるように入力信号を増幅し、出力する。
The
レーザダイオード5は、ドライバ回路4から出力される電気信号を光信号に変換して出力する。
The
図2は、図1の最適化支援装置のブロック構成例を示した図である。図2に示すように、最適化支援装置3は、受信部11と、保持部12と、最適化部13と、制御データ出力部14と、初期値パラメータ算出部15とを有している。
FIG. 2 is a block diagram showing an example of the block configuration of the optimization support apparatus shown in FIG. As illustrated in FIG. 2, the
受信部11は、測定装置2から出力される測定データを受信する。例えば、受信部11は、測定装置2によって測定された光信号の光送信パワー、ジッタ、消光比、および振幅を受信する。受信部11は、受信した測定データを保持部12に出力する。
The
保持部12は、受信部11から出力される測定データを記憶する。保持部12に記憶された測定データは、最適化部13および初期値パラメータ算出部15によって読み出される。
The
最適化部13は、保持部12に記憶されている測定データに基づいて、光送信モジュール1の動作が目標値で動作するように、複数のパラメータを算出する。例えば、最適化部13は、レーザダイオード5の劣化によって、光送信パワーとジッタと振幅とが低下した場合、光送信パワーとジッタと振幅とが目標値を満たすように、複数のパラメータを算出する。
The
光送信モジュール1の動作を規定する要素は、複数存在する。例えば、光送信モジュール1の動作を規定する要素には、上記したように、レーザダイオード5から出力される光信号の光送信パワー、ジッタ、消光比、および振幅などが存在する。最適化部13は、例えば、これらの複数の要素(測定データ)から求まる1つの指標を算出し、算出した指標が目標値となるように、複数のパラメータを算出する。
There are a plurality of elements that define the operation of the
最適化部13は、例えば、粒子群最適化アルゴリズムによって、複数のパラメータを算出する。最適化部13は、算出した複数のパラメータを制御データ出力部14に出力する。なお、最適化部13は、粒子群最適化以外のアルゴリズムによって、複数のパラメータを算出してもよい。例えば、遺伝的アルゴリズムなどを用いて、複数のパラメータを算出してもよい。以下では、最適化部13は、粒子群最適化アルゴリズムによって、複数のパラメータを算出するとして説明する。
The
制御データ出力部14は、最適化部13によって算出された複数のパラメータに基づいて、制御データを生成する。例えば、制御データ出力部14は、ドライバ回路4が入力信号を制御できる制御データに、複数のパラメータを変換する。なお、ドライバ回路4が、最適化部13によって算出された複数のパラメータを直接受信して、入力信号を制御できる場合は、制御データ出力部14は不要である。
The control
初期値パラメータ算出部15は、最適化部13が最適化処理を開始するときのパラメータの初期値を算出する。最適化部13は、初期値パラメータ算出部15によって算出されたパラメータを初期値パラメータとして最適化処理を開始し、光送信モジュール1の動作が目標値となるための複数のパラメータを算出する。
The initial value
図2に示す各部は、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field-Programmable Gate Array)などによって、その機能を実現することができる。または、図2に示す各部は、例えば、最適化支援装置3の機能を実現するためのプログラムを実行するCPU(Central Processing Unit)、そのプログラムを記憶したROM(Read Only Memory)、プログラムの一部を一時記憶したり、演算データを一時記憶したりするRAM(Random Access Memory)などによって、その機能を実現することができる。
The functions shown in FIG. 2 can be realized by, for example, an application specific integrated circuit (ASIC) or a field-programmable gate array (FPGA). 2 includes, for example, a CPU (Central Processing Unit) that executes a program for realizing the functions of the
図3は、図2の最適化部のブロック構成例を示した図である。図3に示すように、最適化部13は、乱数発生部21,22と、算出部23〜25と、移動量算出部26とを有している。上記したように、最適化部13は、例えば、粒子群最適化アルゴリズムによって、複数のパラメータを算出する。
FIG. 3 is a diagram illustrating a block configuration example of the optimization unit in FIG. 2. As illustrated in FIG. 3, the
粒子群最適化アルゴリズムは、群知能の一種で、多次元空間において、位置と速度とを持つ粒子群でモデル化される。粒子群最適化アルゴリズムの移動量v’は、次の式(1)で示される。 The particle swarm optimization algorithm is a kind of swarm intelligence, and is modeled by a particle swarm having position and velocity in a multidimensional space. The movement amount v ′ of the particle swarm optimization algorithm is expressed by the following equation (1).
ここで、wは慣性定数、vは粒子の現在移動量、c1,c2は固定値、xpは粒子最良値、xは粒子の現在位置、xgは群最良値、r1,r2は乱数である。 Here, w is an inertia constant, v is a current movement amount of particles, c1 and c2 are fixed values, xp is a particle best value, x is a current position of particles, xg is a group best value, and r1 and r2 are random numbers.
最適化部13は、式(1)によって、複数のパラメータのそれぞれの移動量v’を算出し、複数のパラメータの値を更新していく。そして、最適化部13は、光送信モジュール1が目標値で動作するための複数のパラメータを算出する。
The
乱数発生部21は、乱数r1を発生する。乱数発生部22は、乱数r2を発生する。乱数発生部21が発生した乱数r1は、算出部24に出力され、乱数発生部22が発生した乱数r2は、算出部25に出力される。
The
算出部23には、慣性定数wと、現在移動量vとが入力される。算出部23は、入力された慣性定数wと現在移動量vとを乗算し、移動量算出部26に出力する。
The
算出部24には、固定値c1と、現在位置xと、粒子最良値xpと、乱数r1とが入力される。算出部24は、粒子最良値xpから現在位置xを減算した値に、固定値c1と乱数r1とを乗算して、移動量算出部26に出力する。
The
算出部25には、固定値c2と、現在位置xと、群最良値xgと、乱数r2とが入力される。算出部25は、群最良値xgから現在位置xを減算した値に、固定値c2と乱数r2とを乗算して、移動量算出部26に出力する。
A fixed value c2, a current position x, a group best value xg, and a random number r2 are input to the
移動量算出部26は、算出部23〜25から出力される値を加算する。これにより、移動量算出部26からは、式(1)に示す移動量v’が得られる。
The movement
図4は、粒子および粒子群を説明する図である。図4には、パラメータが3つの場合の例が示してある。 FIG. 4 is a diagram for explaining particles and particle groups. FIG. 4 shows an example in which there are three parameters.
図4に示すA〜Cは、パラメータの種類を示している。例えば、レーザダイオード5から出力される光信号の光送信パワー、ジッタ、および消光比のそれぞれは、パラメータA〜Cによって制御される。
A to C shown in FIG. 4 indicate types of parameters. For example, each of the optical transmission power, jitter, and extinction ratio of the optical signal output from the
図4に示す最大および最小は、パラメータA〜Cがとり得る値の最大値および最小値を示している。最大値と最小値は、測定装置が異常動作するパラメータ値をとらないように、前もってユーザが指定する。例えば、パラメータAは、最大で「6」の値をとり、最小で「0」の値をとることを示している。 The maximum and minimum shown in FIG. 4 indicate the maximum and minimum values that the parameters A to C can take. The maximum value and the minimum value are specified in advance by the user so as not to take parameter values that cause the measuring apparatus to operate abnormally. For example, the parameter A indicates that the maximum value is “6” and the minimum value is “0”.
図4に示すS1〜S4は、粒子を示している。図4では、4個の粒子の例を示している。4個の粒子S1〜S4のそれぞれは、要素として、パラメータA〜Cの値を有している。例えば、図4の例では、粒子S1は、パラメータAの値「0」と、パラメータBの値「0」と、パラメータCの値「1」とを有している。 S1 to S4 shown in FIG. 4 indicate particles. FIG. 4 shows an example of four particles. Each of the four particles S1 to S4 has parameters A to C as elements. For example, in the example of FIG. 4, the particle S <b> 1 has a parameter A value “0”, a parameter B value “0”, and a parameter C value “1”.
図4に示す点線枠A1は、粒子群を示している。図4の例では、粒子群は、粒子S1〜S4の4個の粒子で構成されている。 A dotted frame A1 shown in FIG. 4 indicates a particle group. In the example of FIG. 4, the particle group is composed of four particles S1 to S4.
最適化部13は、例えば、式(1)に基づいて、測定装置2から出力される測定データが目標値を達成するように、図4に示す粒子S1〜S4の各値を更新し、パラメータA〜Cの最適値を算出する。
For example, the
図3に示した各部は、例えば、ASICやFPGAなどによって、その機能を実現することができる。または、図3に示した各部は、例えば、最適化部13の機能を実現するためのプログラムを実行するCPU、そのプログラムを記憶したROM、プログラムの一部を一時記憶したり、演算データを一時記憶したりするRAMなどによって、その機能を実現することができる。
The functions shown in FIG. 3 can be realized by, for example, an ASIC or FPGA. Alternatively, each unit illustrated in FIG. 3 includes, for example, a CPU that executes a program for realizing the function of the
図5は、最適化処理を説明する図である。図5に示す横軸は測定装置2の測定回数を示し、縦軸は測定装置2の測定値(測定データの指標)を示している。
FIG. 5 is a diagram for explaining the optimization process. The horizontal axis shown in FIG. 5 indicates the number of measurements of the measuring
図5には、粒子S1〜S4が示してある。最適化部13は、測定装置2から出力される測定データが目標値に近づくように、粒子S1〜S4の移動量v’を算出し、粒子S1〜S4を更新していく。図5の例では、粒子S1〜S4およびその粒子群は、測定回数が増えるに従って、目標値に近づいている(粒子S1〜S4の一部は、目標値に近づかないように更新されることもある)。
FIG. 5 shows particles S1 to S4. The
粒子S1〜S4のうち、1つの粒子が目標値に達すれば、光送信モジュール1の最適なパラメータA〜Cが求まったことになる。例えば、図5の矢印A11に示す粒子が、最適化部13によって求まれば、その粒子が有するパラメータA〜Cが、光送信モジュール1の最適なパラメータとなる。図5に示す白丸の粒子S1’〜S4’については、後述する。
When one particle among the particles S1 to S4 reaches the target value, the optimum parameters A to C of the
以下では、説明を簡単にするため、複数のパラメータは、パラメータA〜Cの3個として説明する。また、パラメータA〜Cは、整数値をとり、かつ、図4に示す最大および最小の範囲をとるものとする。また、光送信モジュール1の動作を規定する複数の要素は、光送信パワー、ジッタ、および消光比とする。また、これらの複数の要素のそれぞれは、複数のパラメータA〜Cに基づいて、制御されるとする。例えば、光送信パワー、ジッタ、および消光比のそれぞれは、複数のパラメータA〜Cに依存して(関連して)制御されるとする。
Hereinafter, in order to simplify the description, the plurality of parameters will be described as three parameters A to C. Parameters A to C take integer values and take the maximum and minimum ranges shown in FIG. The plurality of elements that define the operation of the
図6は、図2の初期値パラメータ算出部のブロック構成例を示した図である。図6に示すように、初期値パラメータ算出部15は、乱数発生部31と、ランダムパラメータ生成部32と、パラメータ抽出部33と、回帰モデル生成部34と、初期値算出部35とを有している。
FIG. 6 is a diagram illustrating a block configuration example of the initial value parameter calculation unit of FIG. As shown in FIG. 6, the initial value
乱数発生部31は、乱数を発生し、発生した乱数をランダムパラメータ生成部32に出力する。
The
ランダムパラメータ生成部32は、乱数発生部31によって生成された乱数に基づいて、ランダムな値のパラメータA〜Cを生成する。ランダムパラメータ生成部32は、生成したランダムな値のパラメータA〜Cを制御データ出力部14に出力する。
The random
なお、制御データ出力部14は、ランダムな値のパラメータA〜Cのそれぞれを、ドライバ回路4が受信して、光送信パワー、ジッタ、および消光比を制御できる制御データに変換する。制御データ出力部14の制御データは、ドライバ回路4に出力され、これにより、レーザダイオード5からは、ランダムなパラメータA〜Cに応じた光信号が出力される。そして、レーザダイオード5から出力される光信号は、測定装置2によって、光送信パワー、ジッタ、および消光比が測定される。測定装置2によって測定された測定データは、保持部12に記憶される。
The control
パラメータ抽出部33は、保持部12に記憶された、ランダムなパラメータA〜Cに対する測定データに基づいて、光送信モジュール1の動作が、目標値に対し所定の範囲内にあるときのパラメータA〜Cを抽出する。
Based on the measurement data for the random parameters A to C stored in the holding
図7は、パラメータの抽出を説明する図である。図7の横軸は測定装置2の光信号の測定回数を示し、縦軸は測定装置2が光信号を測定した測定値(測定データの指標)を示す。図7に示す黒丸は、ランダムなパラメータA〜Cに対する光信号の測定値を示している。
FIG. 7 is a diagram for explaining parameter extraction. In FIG. 7, the horizontal axis indicates the number of times the optical signal is measured by the measuring
図7には、測定装置2が、ランダムなパラメータA〜Cに対する光信号の測定を「n回」行った場合の測定値の例を示している。この場合、ランダムパラメータ生成部32は、「n個」のランダムなパラメータA〜Cを生成していることになる。すなわち、測定装置2は、「n個」のランダムなパラメータA〜Cに対する、「n個」の光信号の測定データを測定していることになる。
FIG. 7 shows an example of measured values when the measuring
上記したように、パラメータ抽出部33は、光送信モジュール1の動作が、目標値に対し、所定の範囲内にあるときのランダムなパラメータA〜Cを抽出する。例えば、パラメータ抽出部33は、光送信モジュール1の動作(光信号の測定値)が、目標値に対し、「Y」の範囲内にあるときのランダムなパラメータA〜Cを抽出する。より具体的には、パラメータ抽出部33は、図7の一点鎖線A21の枠内に存在している測定値に対応するパラメータA〜Cを抽出する。
As described above, the
図6の説明に戻る。回帰モデル生成部34は、パラメータ抽出部33によって抽出されたパラメータA〜Cに基づいて、パラメータA〜Cを説明変数とした、光送信モジュール1の動作に対する回帰モデルを生成する。すなわち、回帰モデル生成部34は、レーザダイオード5から出力される光信号の、光送信パワー、ジッタ、および消光比を目的変数とし、パラメータA〜Cを説明変数とした回帰モデルを生成する。
Returning to the description of FIG. The regression
回帰モデルの一般式は、例えば、線形の式を想定すると、次の式(2)によって示される。 The general formula of the regression model is represented by the following formula (2) assuming a linear formula, for example.
ここで、式(2)のEOは評価値を示し、xiは最適化対象のパラメータを示し、αiは、相関係数を示し、εは補正係数を示す。 Here, EO in Expression (2) indicates an evaluation value, x i indicates a parameter to be optimized, α i indicates a correlation coefficient, and ε indicates a correction coefficient.
式(2)より、例えば、光送信モジュール1の光送信パワー、ジッタ、および消光比のそれぞれにおける回帰モデルは、次の式(3)〜式(5)で示される。
From Equation (2), for example, regression models in the optical transmission power, jitter, and extinction ratio of the
ここで、式(3)の「P」は光送信パワーを示し、「A,B,C」はパラメータA〜Cのパラメータ値を示し、「a1〜a3」は相関係数を示し、「ε1」は補正係数を示す。式(4)の「J」はジッタを示し、「A,B,C」はパラメータA〜Cのパラメータ値を示し、「b1〜b3」は相関係数を示し、「ε2」は補正係数を示す。式(5)の「E」は消光比を示し、「A,B,C」はパラメータA〜Cのパラメータ値を示し、「c1〜c3」は相関係数を示し、「ε3」は補正係数を示す。 Here, “P” in Expression (3) indicates optical transmission power, “A, B, C” indicates parameter values of parameters A to C, “a 1 to a 3 ” indicate correlation coefficients, “Ε 1 ” indicates a correction coefficient. In equation (4), “J” represents jitter, “A, B, C” represents parameter values of parameters A to C, “b 1 to b 3 ” represents correlation coefficients, and “ε 2 ” represents A correction coefficient is shown. In equation (5), “E” represents the extinction ratio, “A, B, C” represents the parameter values of the parameters A to C, “c 1 to c 3 ” represents the correlation coefficient, and “ε 3 ”. Indicates a correction coefficient.
回帰モデル生成部34は、例えば、パラメータ抽出部33によって抽出されたパラメータA〜Cと、そのパラメータA〜Cに対応する測定値(光送信パワー、ジッタ、および消光比)とに基づいて重回帰分析を行い、式(3)〜式(5)の相関係数を算出し、光送信パワー、ジッタ、および消光比の回帰モデルを算出する。
For example, the regression
初期値算出部35は、回帰モデル生成部34によって生成された回帰モデルを用いて、光送信モジュール1の初期値パラメータを算出する。すなわち、初期値算出部35は、最適化部13が最適化処理を開始するときの初期値パラメータを算出する。
The initial
初期値算出部35は、回帰モデルの目的変数に、光送信モジュール1の動作の目標値を代入して、初期値パラメータA〜Cを算出する。すなわち、初期値算出部35は、レーザダイオード5から出力される光信号の、送信パワー、ジッタ、および消光比の目標値を、回帰モデルの目的変数に代入し、初期値パラメータを算出する。
The initial
例えば、レーザダイオード5から出力される光信号の、送信パワー、ジッタ、および消光比の目標値を、それぞれ、「Po」、「Jo」、および「Eo」とする。この場合、初期値算出部35は、式(3)〜(5)のそれぞれの回帰モデルの目的変数「P」、「J」、および「E」に、目標値「Po」、「Jo」、および「Eo」を代入し、パラメータA〜Cを変数とした、3元連立方程式を解く。
For example, the target values of the transmission power, jitter, and extinction ratio of the optical signal output from the
初期値算出部35は、3元連立方程式の解を、初期値パラメータA〜Cとし、最適化部13へ出力する。最適化部13は、初期値算出部35によって算出された初期値パラメータA〜Cに基づいて、例えば、粒子S1〜S4の初期値を生成し、最適化処理を行う。
The initial
ここで、パラメータ抽出部33は、上記したように、ランダムなパラメータA〜Cから、光送信モジュール1の動作が、目標値に近かったときのパラメータA〜Cを抽出し、回帰モデル生成部34は、目標値に近かったときのパラメータA〜Cに基づいて、回帰モデルを生成する。すなわち、回帰モデル生成部34は、光送信モジュール1の動作が、目標値に近いときの回帰モデルを生成する。そして、初期値算出部35は、その回帰モデルから、光送信モジュール1の動作が、目標値となるパラメータを初期値パラメータとして算出する。従って、初期値算出部35が算出した初期値パラメータは、光送信モジュール1の動作が、目標値に近い値となっている。
Here, as described above, the
例えば、図5に示す粒子S1’〜S2’は、初期値算出部35によって算出された初期値パラメータA〜Cに基づく、粒子の初期値を示している。図5に示すように、粒子S1’〜S2’は、粒子S1〜S4より目標値に近いため、最適化部13の最適化処理は、短い時間で目標値に達する粒子を算出することができる。
For example, the particles S <b> 1 ′ to S <b> 2 ′ illustrated in FIG. 5 indicate the initial values of the particles based on the initial value parameters A to C calculated by the initial
図6に示す各部は、例えば、ASICやFPGAなどによって、その機能を実現することができる。または、図6に示す各部は、例えば、初期値パラメータ算出部15の機能を実現するためのプログラムを実行するCPU、そのプログラムを記憶したROM、プログラムの一部を一時記憶したり、演算データを一時記憶したりするRAMなどによって、その機能を実現することができる。
The functions of each unit shown in FIG. 6 can be realized by, for example, an ASIC or FPGA. Alternatively, each unit illustrated in FIG. 6 includes, for example, a CPU that executes a program for realizing the function of the initial value
図8は、最適化支援装置の動作例を示したフローチャートである。図8に示すフローチャートは、例えば、光送信モジュール1の電源が投入されたとき、または、光送信モジュール1が動作しているときに、周期的に実行される。または、図8に示すフローチャートは、例えば、光送信モジュール1が動作しているときに、ユーザによって通信速度が切り替えられると実行される。例えば、図8に示すフローチャートは、ユーザによって通信速度が25Gから10Gに切り替えられたとき、または10Gから25Gに切り替えられたときに実行される。
FIG. 8 is a flowchart showing an operation example of the optimization support apparatus. The flowchart shown in FIG. 8 is periodically executed, for example, when the power of the
まず、初期値パラメータ算出部15は、例えば、ランダムなパラメータA〜Cによる、光信号の測定値の測定回数や、光送信パワー、ジッタ、および消光比の目標値「Po」、「Jo」、および「Eo」などの設定条件を、図示しない入力装置を介して、ユーザから受付ける(ステップS1)。
First, for example, the initial value
次に、ランダムパラメータ生成部32は、ランダムな値のパラメータA〜Cを生成する(ステップS2)。ランダムパラメータ生成部32は、ステップS1にて、初期値パラメータ算出部15がユーザから受付けた測定回数の数分、ランダムな値のパラメータA〜Cを生成する。例えば、測定回数が「n」とすると、ランダムパラメータ生成部32は、n個のパラメータA〜Cを生成する。これにより、測定装置2は、例えば、図7に示すように、n個のランダムなパラメータA〜Cに対する、n個の測定値(測定データ)を測定することできる。なお、測定装置2は、測定した測定値を保持部12に記憶する。
Next, the random
次に、パラメータ抽出部33は、保持部12に記憶された、ランダムなパラメータA〜Cに対する測定データに基づいて、光送信モジュール1の動作が、目標値に対し所定の範囲内にあるときのパラメータA〜Cを抽出する(ステップS3)。例えば、パラメータ抽出部33は、図7に示した一点鎖線A21の枠内にある測定値のパラメータA〜Cを抽出する。
Next, the
次に、回帰モデル生成部34は、パラメータ抽出部33によって抽出されたパラメータA〜Cに基づいて、パラメータA〜Cを説明変数とした、光送信モジュール1の測定値に対する回帰モデルを生成する(ステップS4)。例えば、回帰モデル生成部34は、重回帰分析によって、式(3)〜式(5)に示した、光送信パワー、ジッタ、および消光比の回帰モデルを生成する。
Next, the regression
次に、初期値算出部35は、回帰モデル生成部34によって生成された回帰モデルを用いて、光送信モジュール1の初期値パラメータを算出する(ステップS5)。例えば、初期値算出部35は、ステップS1にて、初期値パラメータ算出部15がユーザから受付けた送信パワー、ジッタ、および消光比の目標値「Po」、「Jo」、および「Eo」を、式(3)〜式(5)の目的変数「P」、「J」、および「E」に代入し、パラメータA〜Cを変数とした3元連立方程式を解く。そして、初期値算出部35は、得られたパラメータA〜Cを初期値パラメータA〜Cとし、最適化部13へ出力する。
Next, the initial
次に、最適化部13は、初期値算出部35によって算出された初期値パラメータA〜Cを、光送信モジュール1を制御するパラメータの初期値として設定する(ステップS6)。例えば、最適化部13は、粒子群最適化アルゴリズムによって最適化処理を行う場合、初期値算出部35によって算出された初期値パラメータA〜Cに基づいて、粒子S1〜S4の初期値を設定する。
Next, the
次に、最適化部13は、ステップS6から当該ステップS7に移行した場合、ステップS6にて設定した初期値に基づいて、光送信モジュール1の最適化処理を開始する(ステップS7)。また、最適化部13は、ステップS8にて、測定装置2から出力される測定データが、目標値を達成していないと判定して当該ステップに移行した場合(ステップS8にて「No」の場合)、光送信モジュール1の最適化処理を行う(ステップS7)。
Next, when the
次に、最適化部13は、測定装置2から出力される測定データが、ステップS1にて、ユーザから受付けた目標値「Po」、「Jo」、および「Eo」に達成したか否か判定する(ステップS8)。例えば、最適化部13は、図5の矢印A11に示すように、粒子が目標値に達したか否か判定する。すなわち、最適化部13は、最適化処理によって、光送信モジュールの動作が、目標値に達したか否か判定する。最適化部13は、測定装置2から出力される測定データが、目標値に達したと判定した場合(ステップS8にて「Yes」の場合)、当該フローチャートの処理を終了する。最適化部13は、測定装置2から出力される測定データが、目標値に達していないと判定した場合(ステップS8にて「No」の場合)、ステップS7の処理へ移行する。
Next, the
このように、最適化支援装置3のランダムパラメータ生成部32は、パラメータA〜Cをランダムに生成し、パラメータ抽出部33は、ランダムなパラメータA〜Cに基づいて動作する光送信モジュール1の動作が、目標値に対して所定の範囲内にあるときのパラメータA〜Cを抽出する。そして、回帰モデル生成部34は、パラメータ抽出部33によって抽出されたパラメータA〜Cに基づいて、パラメータA〜Cを説明変数とした、光送信モジュール1の動作の回帰モデルを生成し、初期値算出部35は、生成された回帰モデルを用いて、光送信モジュール1の初期値パラメータを算出する。これにより、初期値パラメータに対する光送信モジュール1の動作は、目標値に対して近くなっており、光送信モジュール1の最適化処理開始後、光送信モジュール1が最適化されるまでの処理時間を短縮することができる。
As described above, the random
なお、回帰モデル生成部34は、光送信モジュール1の動作に対し、関連性の低いパラメータを除いて、回帰モデルを生成してもよい。例えば、パラメータCは、光送信パワーの制御に対し、関連性が低いとする。この場合、回帰モデル生成部34は、パラメータCを除いたパラメータA,Bに基づく回帰モデルを生成する。具体的には、回帰モデル生成部34は、式(3)の相関係数a3を「0」にする。関連性の低いパラメータは、例えば、図8のステップS1にて、ユーザが入力装置を介して、設定(指示)する。
Note that the regression
また、上記では、回帰モデル生成部34は、回帰モデルとして線形式を想定したが、これに限られない。例えば、回帰モデルは、2次式や指数関数であってもよい。
Moreover, although the regression model production |
また、上記では、3つの目的変数(「P」、「J」、および「E」)、3つの説明変数(パラメータA〜C)を例に説明したが、これに限られない。例えば、n個の目的変数、n個の説明変数が存在してもよい。この場合、初期値算出部35は、n元連立方程式を解いて、初期値パラメータを算出することになる。
In the above description, three objective variables (“P”, “J”, and “E”) and three explanatory variables (parameters A to C) have been described as examples, but the present invention is not limited to this. For example, there may be n objective variables and n explanatory variables. In this case, the initial
また、上記では、最適化部13は、複数の要素(測定データ)から求まる1つの指標を算出し、算出した指標が目標値となるように、複数のパラメータを算出するとしたが、複数の要素が、複数の目標値となるように、複数のパラメータを算出してもよい。例えば、最適化部13は、光送信パワー、ジッタ、消光比、および振幅のそれぞれの測定データが、
光送信パワー、ジッタ、消光比、および振幅のそれぞれに対して設定された目標値になるように、複数のパラメータを算出してもよい。
In the above description, the
A plurality of parameters may be calculated so as to be target values set for the optical transmission power, jitter, extinction ratio, and amplitude.
また、上記では、光送信モジュール1が最適化支援装置3を有するとしたが、光送信モジュール1の外部にあってもよい。
In the above description, the
また、最適化支援装置3は、光信号を受信する光受信モジュールにも適用することができる。例えば、測定装置は、光受信モジュールが受信する光信号の一部を入力し、入力した光信号を測定する。最適化支援装置3は、測定装置によって測定された光信号に基づいて、O/E変換された電気信号が所望の電気信号となるように制御するとともに、受信された光信号の変動要因を分析する。
The
また、上記では、光送信モジュール1に最適化支援装置3を適用した例について説明したが、これに限られない。例えば、最適化支援装置3は、パラメータ制御される装置に適用することができる。例えば、パラメータ制御される、電気信号や赤外線信号などの信号を出力するモジュールなどにも適用できる。
Moreover, although the example which applied the
[第2の実施の形態]
次に、第2の実施の形態について説明する。第1の実施の形態では、連立方程式の数(光送信モジュール1の動作を規定する複数の要素の数)と、パラメータの数とが同じであった。例えば、光送信パワー、ジッタ、および消光比の複数の要素の数は「3」であり、パラメータA〜Cの数は「3」であった。そのため、初期値算出部35は、連立方程式の解(初期値パラメータ)を求めることができた。
[Second Embodiment]
Next, a second embodiment will be described. In the first embodiment, the number of simultaneous equations (the number of elements defining the operation of the optical transmission module 1) and the number of parameters are the same. For example, the number of multiple elements of optical transmission power, jitter, and extinction ratio is “3”, and the number of parameters A to C is “3”. Therefore, the initial
しかし、光送信モジュール1のパラメータは、一般的に数十個存在し、パラメータの数に対し、光送信モジュール1の動作を規定する複数の要素の数が少ない場合がある。例えば、光送信パワー、ジッタ、消光比、振幅、周波数、および波形の6つの要素に対し、これらの要素を制御するパラメータが数十個存在する場合がある。この場合、初期値算出部35は、連立方程式の解を求めることができない。
However, there are generally several tens of parameters of the
そこで、第2の実施の形態では、パラメータの数が、光送信モジュール1の動作を規定する複数の要素の数より多い場合であっても、初期値パラメータを求めることができるようにする。なお、以下では、説明を簡単にするため、複数の要素は、光送信パワー、ジッタ、および消光比の3個とし、それらを制御するパラメータは、パラメータA〜Fの6個存在しているとする。
Thus, in the second embodiment, the initial value parameter can be obtained even when the number of parameters is larger than the number of elements that define the operation of the
図9は、第2の実施の形態に係る最適化支援装置のブロック構成例を示した図である。図9において、図2と同じものには同じ符号を付し、その説明を省略する。図9に示す最適化部41および初期値パラメータ算出部42は、図2に示した最適化部13および初期値パラメータ算出部15と同様の機能を有しているが、以下の点が異なる。
FIG. 9 is a diagram illustrating a block configuration example of the optimization support apparatus according to the second embodiment. 9, the same components as those in FIG. 2 are denoted by the same reference numerals, and the description thereof is omitted. The
最適化部41は、例えば、光送信モジュール1の電源が投入されたとき、予めユーザによって設定された設定初期値パラメータA〜Fを、制御データ出力部14ではなく、初期値パラメータ算出部42に出力する。
For example, when the power of the
初期値パラメータ算出部42は、第1の実施の形態と同様にして、回帰モデルを生成する。初期値パラメータ算出部42は、生成した回帰モデルに、最適化部41から出力された設定初期値パラメータA〜Fを代入し、光信号の光送信パワー、ジッタ、および消光比を算出する。初期値パラメータ算出部42は、回帰モデルを用いて算出した光信号の光送信パワー、ジッタ、および消光比を、最適化部41に出力する。
The initial value
最適化部41は、初期値パラメータ算出部42から出力された光送信パワー、ジッタ、および消光比が、目標値に達するように、パラメータA〜Fを更新する。例えば、最適化部41は、粒子群最適化アルゴリズムによって、パラメータA〜Fを更新する。最適化部41は、更新したパラメータA〜Fを、初期値パラメータ算出部42に出力する。
The
初期値パラメータ算出部42は、最適化部41によって更新されたパラメータA〜Fを、回帰モデルに代入し、更新されたパラメータA〜Fに対する光送信パワー、ジッタ、および消光比を算出する。初期値パラメータ算出部42は、算出した光信号の光送信パワー、ジッタ、および消光比を最適化部41に出力する。
The initial value
最適化部41および初期値パラメータ算出部42は、上記の処理を繰り返す。すなわち、最適化部41は、測定装置2から出力される測定データではなく、初期値パラメータ算出部42の回帰モデルによって算出される測定値が、目標値に達するように最適化処理を行う。最適化部41は、回帰モデルによる光送信パワー、ジッタ、および消光比が、光送信モジュール1の目標値に達すると、そのパラメータA〜Fを初期値パラメータとする。そして、最適化部41は、得られた初期値パラメータを、光送信モジュール1の光信号の実測に基づく最適化処理のパラメータの初期値とし、光信号の実測に基づく最適化処理を開始する。
The
図10は、図9の初期値パラメータ算出部のブロック構成例を示した図である。図10において、図6と同じものには同じ符号を付し、その説明を省略する。図10に示す回帰モデル生成部42aは、図6に示す回帰モデル生成部42aと同様の機能を有するが、以下の点が異なる。なお、第2の実施の形態では、初期値算出部35は、初期値パラメータを算出しない。
FIG. 10 is a diagram illustrating a block configuration example of the initial value parameter calculation unit of FIG. 10, the same components as those in FIG. 6 are denoted by the same reference numerals, and description thereof is omitted. The regression
回帰モデル生成部42aは、最適化部41から、パラメータA〜Fを受信する。回帰モデル生成部42aは、最適化部41から受信したパラメータA〜Fを回帰モデルに代入し、代入したパラメータA〜Fにおける回帰モデルの値(光送信パワー、ジッタ、および消光比)を、最適化部41に送信する。すなわち、回帰モデル生成部42aは、回帰モデルによる、光送信モジュール1の模擬的な測定データ(模擬測定データ)を最適化部41に送信する。
The regression
図11は、最適化支援装置の動作例を示したフローチャートである。図11に示すフローチャートは、例えば、光送信モジュール1の電源が投入されたとき、または、光送信モジュール1が動作しているときに、周期的に実行される。または、図11に示すフローチャートは、例えば、光送信モジュール1が動作しているときに、ユーザによって通信速度が切り替えられると実行される。具体的には、図11に示すフローチャートは、ユーザによって通信速度が25Gから10Gに切り替えられたとき、または10Gから25Gに切り替えられたときに実行される。
FIG. 11 is a flowchart illustrating an operation example of the optimization support apparatus. The flowchart shown in FIG. 11 is periodically executed, for example, when the power of the
ステップS11〜S14の処理は、図8に示したフローチャートのステップS1〜S4と同様の処理であり、その説明を省略する。 The processing in steps S11 to S14 is the same as the processing in steps S1 to S4 in the flowchart shown in FIG.
最適化部41は、ステップS17にて、回帰モデルによる模擬測定データが、目標値に達成していないと判定して、当該ステップS15の処理へ移行した場合(ステップS17にて「No」の場合)、回帰モデルの模擬測定データに基づく最適化処理によって、パラメータA〜Fを更新し、回帰モデル生成部42aに出力する(ステップS15)。なお、最適化部41は、ステップS14の処理から、当該ステップS15の処理へ移行した場合、予めユーザによって設定されていた設定初期値パラメータA〜Fを、回帰モデル生成部42aに出力する。(ステップS15)。
The
次に、回帰モデル生成部42aは、最適化部41から出力されたパラメータA〜Fを、ステップS14にて生成した回帰モデルに代入し、模擬測定データを算出する(ステップS16)。回帰モデル生成部42aは、算出した模擬測定データを最適化部41に出力する。
Next, the regression
次に、最適化部41は、ステップS16にて回帰モデル生成部42aが算出した模擬測定データが、光送信モジュール1の動作の目標値に達したか否か判定する(ステップS17)。最適化部41は、回帰モデル生成部42aが算出した模擬測定データが、光送信モジュール1の動作の目標値に達した場合(ステップS17にて「Yes」)、ステップS18の処理へ移行する。最適化部41は、回帰モデル生成部42aが算出した模擬測定データが、光送信モジュール1の動作の目標値に達していない場合(ステップS17にて「No」)、ステップS15の処理へ移行する。
Next, the
最適化部41は、ステップS17にて、回帰モデル生成部42aが算出した模擬測定データが、光送信モジュール1の動作の目標値に達したと判定した場合(ステップS17にて「Yes」)、ステップS15で算出した、回帰モデルにより目標値に達したパラメータA〜Fを、初期値パラメータとして算出する(ステップS18)。
When the
ステップS19〜ステップS21の処理は、図8に示したフローチャートのステップS6〜S8と同様の処理であり、その説明を省略する。なお、ステップS20の「実測による最適化処理」は、測定装置2によって測定された光信号の測定データに基づいて、最適化処理を行うことを示している。
The processing from step S19 to step S21 is the same as the processing from step S6 to S8 in the flowchart shown in FIG. Note that “optimization processing by actual measurement” in step S20 indicates that the optimization processing is performed based on the measurement data of the optical signal measured by the
このように、最適化部41は、初期値算出部35が初期値パラメータを算出することができない場合、回帰モデル生成部42aが生成した回帰モデルの値が目標値に達するようにパラメータA〜Fを算出し、回帰モデルの値が目標値に達したときのパラメータA〜Fを、初期値パラメータとする。これにより、最適化支援装置3は、パラメータの数が、光送信モジュール1の動作を規定する複数の要素の数より多い場合であっても、初期値パラメータを算出することができる。
Thus, when the initial
また、最適化部41は、実測値(測定装置2から出力される測定データ)ではなく、回帰モデル生成部42aによって生成された回帰モデルに基づいて、演算により、初期値パラメータを算出する。これにより、最適化部41は、時間を要することなく、初期値パラメータを算出することができる。
Further, the
[第3の実施の形態]
次に、第3の実施の形態について説明する。第1の実施の形態では、光送信モジュール1の外部に測定装置2を有していたが、第3の実施の形態では、光受信モジュールが測定装置を有する。そして、最適化支援装置は、光受信モジュールが受信する光信号が所望の光信号となるように、光送信モジュールから送信される光信号を制御する。
[Third Embodiment]
Next, a third embodiment will be described. In the first embodiment, the
図12は、第3の実施の形態に係る最適化支援装置を適用した光伝送システムの例を示した図である。図12において、図1と同じものには同じ符号を付し、その説明を省略する。 FIG. 12 is a diagram illustrating an example of an optical transmission system to which the optimization support apparatus according to the third embodiment is applied. 12, the same components as those in FIG. 1 are denoted by the same reference numerals, and description thereof is omitted.
図12に示すように、光伝送システムは、光送信モジュール50と、光受信モジュール60とを有している。光送信モジュール50は、最適化支援装置51を有している。
As illustrated in FIG. 12, the optical transmission system includes an optical transmission module 50 and an optical reception module 60. The optical transmission module 50 includes an
最適化支援装置51は、光受信モジュール60の測定装置63から出力される測定データを受信する。最適化支援装置51は、受信した測定データに基づいて、光受信モジュール60が受信する光信号が所望の光信号となるように、ドライバ回路4を制御する。なお、最適化支援装置51は、光受信モジュール60が受信する光信号が所望の光信号となるように制御する点が、図1に示した最適化支援装置3と異なるだけで、その他の機能は、最適化支援装置3と同様である。
The
光受信モジュール60は、フォトダイオード61と、受信回路62と、測定装置63とを有している。
The optical receiving module 60 includes a
フォトダイオード61は、光送信モジュール50から送信された光信号を受光し、受光した光信号を電気信号に変換する。フォトダイオード61は、変換した電気信号を受信回路62と測定装置63とに出力する。
The
受信回路62は、フォトダイオード61から出力された電気信号を増幅して所定の処理を施し、図示しない後段の回路へと出力する。
The receiving
測定装置63は、フォトダイオード61から出力される電気信号を測定し、測定した電気信号の測定データを、光送信モジュール50の最適化支援装置51へ出力する。測定装置63が測定する測定データは、例えば、フォトダイオード61が受光した光信号の特性であり、光信号の光受信パワー、ジッタ、消光比、または振幅などがある。
The measuring
このように、最適化支援装置51は、受信側の光信号に基づいて、回帰モデルを生成し、光伝送システムの最適化処理開始後、光伝送システムが最適化されるまでの処理時間を短縮することができる。
As described above, the
なお、上記では、光送信モジュール50が、最適化支援装置51を有するとしたが、光受信モジュール60が有していてもよい。
In the above description, the optical transmission module 50 includes the
また、上記では、測定装置63は、フォトダイオード61から出力される電気信号を測定したが、フォトダイオード61に受光される光信号を測定してもよい。
In the above description, the
[第4の実施の形態]
次に、第4の実施の形態について説明する。第4の実施の形態では、最適化対象装置と、測定装置と、最適化支援装置とがそれぞれ独立している場合について説明する。
[Fourth Embodiment]
Next, a fourth embodiment will be described. In the fourth embodiment, a case where the optimization target device, the measurement device, and the optimization support device are independent from each other will be described.
図13は、第4の実施の形態に係る最適化支援装置の適用例を示した図である。図13には、装置71と、測定装置72と、最適化支援装置73とが示してある。
FIG. 13 is a diagram illustrating an application example of the optimization support apparatus according to the fourth embodiment. FIG. 13 shows an
装置71は、最適化対象装置である。装置71は、複数のパラメータによって、動作が制御される。装置71は、例えば、図1において、最適化支援装置3を備えない光送信モジュールである。
The
測定装置72には、装置71が出力する信号が入力される。測定装置72は、図1に示した測定装置2と同様の機能を有し、入力された信号を測定して、その測定データを最適化支援装置73に出力する。
A signal output from the
最適化支援装置73は、図1に示した最適化支援装置3と同様の機能を有し、測定装置72から出力される測定データに基づいて、装置71を制御するための制御データを出力する。また、最適化支援装置73は、装置71の最適化処理を開始するときの初期値パラメータを算出する。
The
最適化支援装置73は、例えば、パーソナルコンピュータなどの端末装置によって実現される。例えば、最適化支援装置73は、図1に示した最適化支援装置3の機能を実現するプログラムを端末装置に実行させることにより、最適化支援装置3と同様の機能を実現できる。
The
このように、最適化対象装置と、測定装置と、最適化支援装置とがそれぞれ独立している場合においても、最適化対象装置を制御するパラメータの初期値パラメータを算出することができる。 As described above, even when the optimization target device, the measurement device, and the optimization support device are independent from each other, it is possible to calculate the initial value parameter of the parameter that controls the optimization target device.
以上、本発明について実施形態を用いて説明したが、本発明の技術的範囲は上記実施形態に記載の範囲には限定されない。上記実施形態に多様な変更または改良を加えることが可能であることが当業者には明らかである。また、そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。また、各実施の形態を組み合わせることも可能である。 As mentioned above, although this invention was demonstrated using embodiment, the technical scope of this invention is not limited to the range as described in the said embodiment. It will be apparent to those skilled in the art that various modifications or improvements can be made to the above embodiment. In addition, it is apparent from the scope of the claims that the embodiments added with such changes or improvements can be included in the technical scope of the present invention. Moreover, it is also possible to combine each embodiment.
また、上記の各実施形態において、各部の機能構成は、それらの構成を理解容易にするために、主な処理内容に応じて分類したものである。構成要素の分類の仕方や名称によって、本願発明が制限されることはない。各部の構成は、処理内容に応じて、さらに多くの構成要素に分類することもできる。また、1つの構成要素がさらに多くの処理を実行するように分類することもできる。また、各構成要素の処理は、1つのハードウェアで実行されてもよいし、複数のハードウェアで実行されてもよい。 In each of the above embodiments, the functional configuration of each unit is classified according to the main processing contents in order to facilitate understanding of the configuration. The present invention is not limited by the way of classification and names of the constituent elements. The configuration of each unit can be classified into more components according to the processing content. Moreover, it can also classify | categorize so that one component may perform more processes. Further, the processing of each component may be executed by one hardware or may be executed by a plurality of hardware.
また、上記で説明したフローチャートの処理単位は、最適化支援装置および初期値パラメータ算出部の処理を理解容易にするために、主な処理内容に応じて分割したものである。処理単位の分割の仕方や名称によって、本願発明が制限されることはない。最適化支援装置および初期値パラメータ算出部の処理は、処理内容に応じて、さらに多くの処理単位に分割することもできる。また、1つの処理単位がさらに多くの処理を含むように分割することもできる。さらに、上記のフローチャートの処理順序も、図示した例に限られるものではない。 Further, the processing unit of the flowchart described above is divided according to the main processing contents in order to facilitate understanding of the processing of the optimization support device and the initial value parameter calculation unit. The present invention is not limited by the way of dividing the processing unit or the name. The processing of the optimization support device and the initial value parameter calculation unit can be divided into more processing units depending on the processing content. Moreover, it can also divide | segment so that one process unit may contain many processes. Further, the processing order of the above flowchart is not limited to the illustrated example.
また、上記の各実施形態において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてもよい。 In each of the above-described embodiments, the control lines and information lines indicate what is considered necessary for the description, and not all the control lines and information lines on the product are necessarily shown. In practice, it may be considered that almost all configurations are connected to each other.
1,50,60:光送信モジュール、2,63,72:測定装置、3,51,73:最適化支援装置、4:ドライバ回路、5:レーザダイオード、11:受信部、12:保持部、13,41:最適化部、14:制御データ出力部、15,42:初期値パラメータ算出部、21,22,31:乱数発生部、23〜25:算出部、26:移動量算出部、32:ランダムパラメータ生成部、33:パラメータ抽出部、34,42a:回帰モデル生成部、35:初期値算出部、61:フォトダイオード、62:受信回路、71:装置。 1, 50, 60: Optical transmission module, 2, 63, 72: Measuring device, 3, 51, 73: Optimization support device, 4: Driver circuit, 5: Laser diode, 11: Receiving unit, 12: Holding unit, 13, 41: optimization unit, 14: control data output unit, 15, 42: initial value parameter calculation unit, 21, 22, 31: random number generation unit, 23-25: calculation unit, 26: movement amount calculation unit, 32 : Random parameter generator, 33: parameter extractor, 34, 42a: regression model generator, 35: initial value calculator, 61: photodiode, 62: receiver circuit, 71: device.
Claims (9)
前記ランダムパラメータ生成部によって生成された前記パラメータに基づいて動作する装置の動作が、目標値に対し所定の範囲内にあるときの前記パラメータを抽出するパラメータ抽出部と、
前記パラメータ抽出部によって抽出された前記パラメータに基づいて、前記パラメータを説明変数とした前記装置の動作の回帰モデルを生成する回帰モデル生成部と、
前記回帰モデル生成部によって生成された前記回帰モデルを用いて、前記装置の初期値パラメータを算出する初期値算出部と、
を有することを特徴とする情報処理装置。 A random parameter generator that randomly generates parameters;
A parameter extraction unit that extracts the parameter when the operation of the device that operates based on the parameter generated by the random parameter generation unit is within a predetermined range with respect to a target value;
Based on the parameters extracted by the parameter extraction unit, a regression model generation unit that generates a regression model of the operation of the device using the parameters as explanatory variables;
Using the regression model generated by the regression model generation unit, an initial value calculation unit for calculating an initial value parameter of the device;
An information processing apparatus comprising:
前記初期値算出部は、前記回帰モデルの説明変数に前記装置の動作の目標値を代入し、前記初期値パラメータを算出することを特徴とする情報処理装置。 The information processing apparatus according to claim 1,
The information processing apparatus, wherein the initial value calculation unit calculates an initial value parameter by substituting a target value of the operation of the apparatus into an explanatory variable of the regression model.
前記装置が目標値で動作するための制御パラメータを算出する最適化部をさらに有し、
前記最適化部は、前記初期値算出部によって算出された前記初期値パラメータを、前記制御パラメータの初期値として前記装置に設定することを特徴とする情報処理装置。 The information processing apparatus according to claim 1,
An optimization unit for calculating a control parameter for the device to operate at a target value;
The information processing apparatus, wherein the optimization unit sets the initial value parameter calculated by the initial value calculation unit in the apparatus as an initial value of the control parameter.
前記回帰モデル生成部は、前記初期値算出部が前記初期値パラメータを算出できない場合、前記最適化部から前記制御パラメータを受信して、前記制御パラメータに対する前記回帰モデルの値を前記最適化部に送信し、
前記最適化部は、前記回帰モデルの値が、前記装置の動作の目標値に達したときの前記制御パラメータを、前記初期値パラメータとすることを特徴とする情報処理装置。 The information processing apparatus according to claim 3,
The regression model generation unit receives the control parameter from the optimization unit when the initial value calculation unit cannot calculate the initial value parameter, and sets the value of the regression model for the control parameter to the optimization unit. Send
The information processing apparatus, wherein the optimization unit uses the control parameter when the value of the regression model reaches a target value of the operation of the apparatus as the initial value parameter.
前記回帰モデル生成部は、前記装置の動作に対し、関連性の低い前記パラメータを除いて、前記回帰モデルを生成することを特徴とする情報処理装置。 The information processing apparatus according to claim 1,
The information processing apparatus, wherein the regression model generation unit generates the regression model by removing the parameter having low relevance to the operation of the apparatus.
前記回帰モデル生成部は、重回帰分析によって前記回帰モデルを生成することを特徴とする情報処理装置。 The information processing apparatus according to claim 1,
The information processing apparatus, wherein the regression model generation unit generates the regression model by multiple regression analysis.
前記最適化部は、前記装置から出力される信号が所望の信号となるように前記制御パラメータを算出することを特徴とする情報処理装置。 The information processing apparatus according to claim 3,
The information processing apparatus, wherein the optimization unit calculates the control parameter so that a signal output from the apparatus becomes a desired signal.
前記装置は、光モジュールであって、
前記最適化部は、前記光モジュールから出力される光信号が所望の光信号となるように前記制御パラメータを算出することを特徴とする情報処理装置。 The information processing apparatus according to claim 3,
The apparatus is an optical module,
The information processing apparatus, wherein the optimization unit calculates the control parameter so that an optical signal output from the optical module becomes a desired optical signal.
パラメータをランダムに生成するランダムパラメータ生成ステップと、
前記ランダムパラメータ生成ステップによって生成された前記パラメータに基づいて動作する装置の動作が、目標値に対し所定の範囲内にあるときの前記パラメータを抽出するパラメータ抽出ステップと、
前記パラメータ抽出ステップによって抽出された前記パラメータに基づいて、前記パラメータを説明変数とした前記装置の動作の回帰モデルを生成する回帰モデル生成ステップと、
前記回帰モデル生成ステップによって生成された前記回帰モデルを用いて、前記装置の初期値パラメータを算出する初期値算出ステップと、
を有することを特徴とするパラメータ算出方法。 A parameter calculation method for an information processing device, comprising:
A random parameter generation step for randomly generating parameters;
A parameter extraction step of extracting the parameter when the operation of the device operating based on the parameter generated by the random parameter generation step is within a predetermined range with respect to a target value;
Based on the parameters extracted by the parameter extraction step, a regression model generation step of generating a regression model of the operation of the device using the parameters as explanatory variables;
Using the regression model generated by the regression model generation step, an initial value calculation step of calculating an initial value parameter of the device;
The parameter calculation method characterized by having.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014135503A JP6283851B2 (en) | 2014-07-01 | 2014-07-01 | Information processing apparatus and parameter calculation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014135503A JP6283851B2 (en) | 2014-07-01 | 2014-07-01 | Information processing apparatus and parameter calculation method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016014943A JP2016014943A (en) | 2016-01-28 |
JP6283851B2 true JP6283851B2 (en) | 2018-02-28 |
Family
ID=55231100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014135503A Expired - Fee Related JP6283851B2 (en) | 2014-07-01 | 2014-07-01 | Information processing apparatus and parameter calculation method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6283851B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222166A (en) * | 2020-01-21 | 2021-08-06 | 厦门邑通软件科技有限公司 | Machine heuristic learning method, system and device for operation behavior record management |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3308630B2 (en) * | 1993-03-12 | 2002-07-29 | 株式会社日立製作所 | Plant control apparatus and method |
JP2012092761A (en) * | 2010-10-28 | 2012-05-17 | Waseda Univ | Device and program for optimizing engine control parameter |
-
2014
- 2014-07-01 JP JP2014135503A patent/JP6283851B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2016014943A (en) | 2016-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10596698B2 (en) | Machine learning device, robot control system, and machine learning method | |
JP6106226B2 (en) | Machine learning device for learning gain optimization, motor control device including machine learning device, and machine learning method | |
US11681261B2 (en) | Control system, control method, learning device, control device, learning method for controlling an operation of a subject device on basis of a detemined command value | |
US11513851B2 (en) | Job scheduler, job schedule control method, and storage medium | |
KR20210116923A (en) | Method for Training a Denoising Network, Method and Device for Operating Image Processor | |
JP6885085B2 (en) | Control device, control method, and control program | |
JP6283851B2 (en) | Information processing apparatus and parameter calculation method | |
JP2011117777A (en) | Calibration means, calibration method and program | |
JP7056345B2 (en) | Data analysis systems, methods, and programs | |
US11586933B2 (en) | Information processing apparatus, information processing method, and program for simulating growth of cells | |
JP2020177582A (en) | Leaning device, learning method, program, and recognition device | |
Jaeger | Reservoir self-control for achieving invariance against slow input distortions | |
CN110415182B (en) | Fundus OCT image enhancement method, device, equipment and storage medium | |
CN115577798A (en) | Semi-federal learning method and device based on random acceleration gradient descent | |
WO2021256135A1 (en) | Control device, method, and program | |
JP2020042724A (en) | Information processing device, information processing method, and program | |
CN114333736A (en) | Display device and brightness adjusting method thereof | |
JP6862841B2 (en) | Processing device, adjustment parameter prediction model estimation method, and adjustment parameter prediction model estimation program | |
JP2017033040A (en) | Control device and machine learning device with plc program optimization function | |
KR20210007234A (en) | Image processing method and image processing system | |
JP2017143730A (en) | Machine learning device learning gain optimization, motor control device having the same, and the machine learning method | |
CN113711538A (en) | Method, apparatus, system, computing device, medium, and article of manufacture for configuring parameters | |
WO2015198599A1 (en) | Measuring device, measuring system, measuring method, and computer readable recording medium | |
US20240020512A1 (en) | Architecture Optimization of Deep Neural Networks by Capacity Adjustment of the Network Graph | |
US20230214645A1 (en) | Learning apparatus, learning system, and learning method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170120 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170120 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20171115 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20171212 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180109 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6283851 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |